Claude Skill

batch-image

多商品批量生图流水线。商品清单 CSV → 整批统一视觉的商拍图,带并发、重试、断点续跑、成本熔断与挑图联系表。当用户说「批量生图」「一批商品」「跑整个 SKU 表」「几百个商品出图」时使用。

LLM Mart · 0 points · 2 views 53 listing impressions 0 install-command copies
Download dlazy-ai-ecommerce-skills-skills_batch-image-c022f20.zip · 40 KB

Install

skills CLI npx skills add https://github.com/dlazy-ai/ecommerce-skills/tree/main/skills/batch-image
Claude Code claude plugin marketplace add https://llmmart.ai/marketplace.json && claude plugin install dlazy-ai-ecommerce-skills@llmmart
Git git clone https://github.com/dlazy-ai/ecommerce-skills.git

The skills CLI installs just this skill, for any of its supported agents. Claude Code installs the whole dlazy-ai/ecommerce-skills collection as a plugin from our marketplace. Git is the plain clone.

Skill manifest

batch-image — 多商品批量生图

把单张生图变成流水线:一份商品清单 → 一整套风格统一的商拍图。

批量的难点不是「跑很多次」,而是跑出来的图要像一套。本技能的核心是规范段与变量段分离:视觉规范逐字不变,只有商品描述随 SKU 变化。


生成效果示例

输入:商品清单(2 个 SKU)
SKU001 军绿色麻花针织圆领毛衣,落肩宽松版型
SKU002 黑色亮面皮革布洛克德比鞋,厚底系带

实际执行的命令(循环体,两个 SKU 只有 DESC 与 --images 不同,规范段逐字相同):

for sku in a-sweater b-shoes; do
  case $sku in
    a-sweater) DESC='军绿色麻花针织圆领毛衣,落肩宽松版型' ;;
    b-shoes)   DESC='黑色亮面皮革布洛克德比鞋,厚底系带' ;;
  esac
  dlazy seedream-5.0 \
    --prompt "电商商拍图。图1 是商品:${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。放置在同一套统一视觉里:纯米白色摄影棚背景,柔和顶光加左侧补光,45 度视角,画面下方留出统一的商品投影,构图与留白在整组图中保持一致。真实商业产品摄影,无文字无水印。" \
    --images docs/batch-image/sku-${sku}.jpg --size 1:1 --resolution 2k \
    --save docs/batch-image/example-output-${sku}.jpg
done

输出:同一套视觉规范下的两个 SKU

SKU001 SKU002
1:1 / 2K,5 credits 1:1 / 2K,5 credits

两张的背景色、光位、视角与投影方向一致——因为规范段逐字相同;商品各自保真。100 个 SKU 就是这个循环跑 100 次,总价约 500 credits。


1、能力边界

能力 说明
批量规模 一批最多 100 个商品(对应企业功能的规格)
成本优势 批量场景下单图算力成本可降至约 7 折
协作 多人在线协作、出片进度实时追踪
资产共享 共享模特 / 参考图 / 作品 / 算力点
本技能落地 清单驱动循环 + 并发控制 + 失败重试 + 按 SKU 归档 + 汇总报告

不做:不在同一批里混用不同视觉规范(那不是一批);不跳过抽样质检直接全量上架;不因为批量就放宽商品保真要求。


2、输入素材规则

生成前先自检这几条硬性约束:

  • 大小:20KB ~ 15MB
  • 分辨率:大于 400×400
  • 格式:jpg / jpeg / png / webp

商品清单(manifest) 是批量的输入,建议 CSV:

sku,image,desc
SKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣,落肩宽松版型
SKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋,厚底系带

每张商品图仍要满足单图规则:20KB~15MB、>400×400、jpg/jpeg/png/webp。

批量前必做的事

步骤 说明
✅ 先跑通 1 个 SKU 单个跑不对,跑 100 个只是错 100 次
✅ 再抽样 5 个 SKU 覆盖品类/颜色/深浅色的边界情况
✅ 确认成本 --dry-run 单价 × SKU 数 × batch 数
❌ 直接全量 最容易烧算力的做法

3、规范段 / 变量段分离

这是批量出统一视觉的唯一方法:

prompt = [规范段:整批逐字不变]  +  [变量段:每个 SKU 不同]
段 内容 是否变
规范段 背景、光位、机位、构图留白、投影、色调、输出风格、no text, no watermark 整批逐字不变
变量段 商品品类 + 颜色 + 材质 + 关键结构特征 每个 SKU 不同

写成 shell:

SPEC='放置在同一套统一视觉里:纯米白色摄影棚背景,柔和顶光加左侧补光,45 度视角,画面下方留出统一的商品投影,构图与留白在整组图中保持一致。真实商业产品摄影,无文字无水印。'

while IFS=, read -r SKU IMG DESC; do
  dlazy seedream-5.0 \
    --prompt "电商商拍图。图1 是商品:${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}" \
    --images "$IMG" --size 1:1 --resolution 2k \
    --save "docs/batch-image/out/${SKU}.jpg"
done < manifest.csv

规范段一旦改动就必须整批重跑——否则同一批里会出现两种视觉。


4、并发、重试与进度

并发:dlazy 是单次调用一个任务,批量靠 shell 并发。控制在 4~6 路,太高容易触发限流。

run_one() { ... }               # 单个 SKU 的生成逻辑
export -f run_one
xargs -P 5 -I{} bash -c 'run_one {}' < sku-list.txt     # 5 路并发

重试:网络与服务端偶发失败很正常,包一层重试。

for attempt in 1 2 3; do
  dlazy ... && break
  echo "retry $attempt for $SKU" >&2; sleep $((attempt * 10))
done

异步模式:SKU 很多时用 --no-wait 先把任务全部提交,拿到 generateId 后再统一轮询,避免长时间占着进程。

GID=$(dlazy seedream-5.0 --no-wait ... | python3 -c 'import sys,json;print(json.load(sys.stdin)["result"]["task"]["generateId"])')
echo "$SKU,$GID" >> tasks.csv
# 稍后统一收结果
while IFS=, read -r SKU GID; do dlazy status "$GID" --wait; done < tasks.csv

进度与汇总:每个 SKU 记一行状态,跑完输出报告。

echo "$SKU,$(test -f out/$SKU.jpg && echo ok || echo fail)" >> report.csv
awk -F, '{c[$2]++} END{for(k in c) print k, c[k]}' report.csv

5、工具调用

本技能使用 dLazy 的 seedream-5.0(批量场景的关键指标是单图成本与参考图支持:本模型单张约 5 credits、支持最多 10 张参考图、支持 2K/3K/4K;100 个 SKU 的成本量级从数百降到数十。对商品保真要求极高的批次改用 gpt-image-2)。

调用方式

两种等价写法,选一种。统一入口会自动选后端、失败重试、建目录落盘、估算成本:

# A. 统一入口(推荐):可切任意后端,加 --dry-run 不计费空跑
node scripts/gen.mjs --task batch-image \
  --prompt '<见下方 Prompt 模板>' \
  --images <按下表顺序> \
  --save output/batch-image-<sku>.jpg

# B. 直接用 dLazy CLI(不想引入 Node 依赖时,效果等价)
dlazy seedream-5.0 --prompt '...' --images ... --save output/batch-image.jpg

参数约定(本技能固定用法)

参数 取值 理由
--images [该 SKU 的商品图](+ 整批共用的参考图 / 模特图) 共用素材放在固定位置,prompt 里用固定图号引用
--size 整批统一(1:1 主图 / 3:4 竖版) 不统一就不是一套
--resolution 2k 上架足够;4K 只给需要印刷的批次
--batch 1(批量场景靠 SKU 数量,不靠 batch) batch 会让成本翻倍
--no-wait SKU 很多时开启 先提交后轮询,避免长时间阻塞
--save docs/batch-image/out/<SKU>.jpg 用 SKU 命名,便于回填到商品库

模型切换:seedream-5.0 便宜、适合氛围与场景图;对商品保真要求极高(图案位置、五金细节)的批次换 gpt-image-2,成本约 6 倍。同一批内不要混用两个模型。

Command Examples

# basic call: 单个 SKU(先跑通这个,再谈批量)
dlazy seedream-5.0 \
  --prompt '电商商拍图。图1 是商品:军绿色麻花针织圆领毛衣,落肩宽松版型。商品的颜色、材质纹理、款式细节必须与图1完全一致。放置在同一套统一视觉里:纯米白色摄影棚背景,柔和顶光加左侧补光,45 度视角,画面下方留出统一的商品投影。真实商业产品摄影,无文字无水印。' \
  --images docs/batch-image/sku-a-sweater.jpg --size 1:1 --resolution 2k

# complex call: 完整流水线(清单驱动 + 5 路并发 + 3 次重试 + 汇总报告)
cat > manifest.csv <<'CSV'
SKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣,落肩宽松版型
SKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋,厚底系带
CSV

SPEC='放置在同一套统一视觉里:纯米白色摄影棚背景,柔和顶光加左侧补光,45 度视角,画面下方留出统一的商品投影,构图与留白在整组图中保持一致。真实商业产品摄影,无文字无水印。'
mkdir -p docs/batch-image/out

run_one() {
  IFS=, read -r SKU IMG DESC <<< "$1"
  for attempt in 1 2 3; do
    dlazy seedream-5.0 \
      --prompt "电商商拍图。图1 是商品:${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}" \
      --images "$IMG" --size 1:1 --resolution 2k \
      --save "docs/batch-image/out/${SKU}.jpg" >/dev/null 2>&1 && break
    sleep $((attempt * 10))
  done
  if [ -f "docs/batch-image/out/${SKU}.jpg" ]; then echo "${SKU},ok"; else echo "${SKU},fail"; fi
}
export -f run_one; export SPEC

xargs -P 5 -I{} bash -c 'run_one "{}"' < manifest.csv | tee docs/batch-image/report.csv
awk -F, '{c[$2]++} END{printf "\n=== 汇总 ===\n"; for(k in c) printf "%s: %d\n", k, c[k]}' docs/batch-image/report.csv

# 先估价:单价 × SKU 数
dlazy seedream-5.0 --dry-run --prompt '...' --images a.jpg --size 1:1 | grep estimatedCost
echo "SKU 数:$(wc -l < manifest.csv)"

延伸阅读

要查什么 去哪
认证、多后端配置、输出结构、错误码 references/provider-cli.md
seedream-5.0 的全部可用参数 references/model-flags.md
统一入口的全部选项 node scripts/gen.mjs --help

6、Prompt 模板

【变量段 · 每个 SKU 不同】
电商商拍图。图1 是商品:[品类 + 颜色 + 材质 + 关键结构特征]。
商品的颜色、材质纹理、款式细节必须与图1完全一致。

【规范段 · 整批逐字不变】
放置在同一套统一视觉里:[背景],[光位],[机位/视角],
画面下方留出统一的商品投影,构图与留白在整组图中保持一致。
真实商业产品摄影,无文字无水印。

按问题追加的修正句(改了就要整批重跑)

问题 处理
深色商品在浅背景上发灰 规范段补 深色商品需加右侧轮廓光勾边,避免与背景糊在一起
不同 SKU 的商品大小忽大忽小 规范段补 商品在画面中的占比统一为约 [X]%,边距一致
投影方向不一致 规范段补 投影统一朝画面右下方,长度约为商品高度的 [X]
某些 SKU 保真度不够 那部分 SKU 单独用 gpt-image-2 重跑,并在报告里标注

7、执行流程

  1. 建清单:sku,image,desc 三列 CSV,每张商品图先过单图规则校验。
  2. 写规范段:背景 / 光位 / 机位 / 占比 / 投影 / 色调 / 输出风格——定稿后不许改。
  3. 跑通 1 个 SKU:确认规范段和变量段都对。
  4. 抽样 5 个 SKU:覆盖深色 / 浅色 / 反光 / 大件 / 小件的边界。
  5. --dry-run 估总价:单价 × SKU 数。
  6. 全量跑:5 路并发 + 3 次重试;SKU 很多时用 --no-wait 提交后统一轮询。
  7. 看汇总报告:失败的单独重跑。
  8. 抽样质检:随机抽 10% 过 detect-task;不合格的 SKU 单独用 gpt-image-2 重跑。

8、常见问题

现象 原因 处理
同一批里视觉不统一 中途改了规范段 规范段定稿后不许改;改了就整批重跑
深色商品糊进背景 缺轮廓光 规范段补轮廓光句,整批重跑
商品占比忽大忽小 未约束占比 规范段补占比与边距句
部分 SKU 保真度不够 低价模型的局限 那些 SKU 单独用 gpt-image-2 重跑
跑到一半失败一堆 并发太高触发限流 并发降到 4~5,加重试与退避
成本超预算 用了 --batch 或 4K 批量场景 --batch 1 + 2k
跑完不知道哪些失败了 没有报告 用第四节的 report.csv + 汇总

Tips

Visit https://dlazy.com for more information.

Files (ecommerce-skills)
  • examples
    • brand.yaml 1.6 KB
      Loading…
  • references
    • model-flags.md 1.8 KB
      Loading…
    • platform-specs.md 2.1 KB
      Loading…
    • provider-cli.md 4.7 KB
      Loading…
  • scripts
    • lib
      • miniyaml.mjs 2.8 KB · in bundle
      • providers.mjs 11.9 KB · in bundle
      • tasks.json 3.1 KB
        Loading…
    • batch.mjs 10.8 KB · in bundle
    • brand.mjs 4.4 KB · in bundle
    • check_listing.py 15.6 KB
      Loading…
    • gen.mjs 9.3 KB · in bundle
    • run_loop.mjs 9.5 KB · in bundle
  • skill.md 12.6 KB
    ---
    name: batch-image
    description: 多商品批量生图流水线。商品清单 CSV → 整批统一视觉的商拍图,带并发、重试、断点续跑、成本熔断与挑图联系表。当用户说「批量生图」「一批商品」「跑整个 SKU 表」「几百个商品出图」时使用。
    ---
    
    # batch-image — 多商品批量生图
    
    把单张生图变成**流水线**:一份商品清单 → 一整套风格统一的商拍图。
    
    批量的难点不是「跑很多次」,而是**跑出来的图要像一套**。本技能的核心是**规范段与变量段分离**:视觉规范逐字不变,只有商品描述随 SKU 变化。
    
    ---
    
    ## 生成效果示例
    
    | 输入:商品清单(2 个 SKU) |
    | --- |
    | `SKU001` <img src="../../docs/batch-image/sku-a-sweater.jpg" width="150"> `军绿色麻花针织圆领毛衣,落肩宽松版型` |
    | `SKU002` <img src="../../docs/batch-image/sku-b-shoes.jpg" width="150"> `黑色亮面皮革布洛克德比鞋,厚底系带` |
    
    实际执行的命令(循环体,两个 SKU 只有 `DESC` 与 `--images` 不同,规范段逐字相同):
    
    ```bash
    for sku in a-sweater b-shoes; do
      case $sku in
        a-sweater) DESC='军绿色麻花针织圆领毛衣,落肩宽松版型' ;;
        b-shoes)   DESC='黑色亮面皮革布洛克德比鞋,厚底系带' ;;
      esac
      dlazy seedream-5.0 \
        --prompt "电商商拍图。图1 是商品:${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。放置在同一套统一视觉里:纯米白色摄影棚背景,柔和顶光加左侧补光,45 度视角,画面下方留出统一的商品投影,构图与留白在整组图中保持一致。真实商业产品摄影,无文字无水印。" \
        --images docs/batch-image/sku-${sku}.jpg --size 1:1 --resolution 2k \
        --save docs/batch-image/example-output-${sku}.jpg
    done
    ```
    
    **输出:同一套视觉规范下的两个 SKU**
    
    | SKU001 | SKU002 |
    | --- | --- |
    | <img src="../../docs/batch-image/example-output-a-sweater.jpg" width="280"> | <img src="../../docs/batch-image/example-output-b-shoes.jpg" width="280"> |
    | 1:1 / 2K,5 credits | 1:1 / 2K,5 credits |
    
    两张的背景色、光位、视角与投影方向一致——因为规范段逐字相同;商品各自保真。100 个 SKU 就是这个循环跑 100 次,总价约 500 credits。
    
    ---
    
    ## 1、能力边界
    
    | 能力 | 说明 |
    | --- | --- |
    | 批量规模 | 一批最多 100 个商品(对应企业功能的规格) |
    | 成本优势 | 批量场景下单图算力成本可降至约 7 折 |
    | 协作 | 多人在线协作、出片进度实时追踪 |
    | 资产共享 | 共享模特 / 参考图 / 作品 / 算力点 |
    | 本技能落地 | 清单驱动循环 + 并发控制 + 失败重试 + 按 SKU 归档 + 汇总报告 |
    
    **不做**:不在同一批里混用不同视觉规范(那不是一批);不跳过抽样质检直接全量上架;不因为批量就放宽商品保真要求。
    
    ---
    
    ## 2、输入素材规则
    
    生成前先自检这几条硬性约束:
    
    - 大小:**20KB ~ 15MB**
    - 分辨率:**大于 400×400**
    - 格式:**jpg / jpeg / png / webp**
    
    **商品清单(manifest)** 是批量的输入,建议 CSV:
    
    ```csv
    sku,image,desc
    SKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣,落肩宽松版型
    SKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋,厚底系带
    ```
    
    **每张商品图仍要满足单图规则**:20KB~15MB、>400×400、jpg/jpeg/png/webp。
    
    **批量前必做的事**
    
    | 步骤 | 说明 |
    | --- | --- |
    | ✅ 先跑通 1 个 SKU | 单个跑不对,跑 100 个只是错 100 次 |
    | ✅ 再抽样 5 个 SKU | 覆盖品类/颜色/深浅色的边界情况 |
    | ✅ 确认成本 | `--dry-run` 单价 × SKU 数 × batch 数 |
    | ❌ 直接全量 | 最容易烧算力的做法 |
    
    ---
    
    ## 3、规范段 / 变量段分离
    
    这是批量出统一视觉的唯一方法:
    
    ```text
    prompt = [规范段:整批逐字不变]  +  [变量段:每个 SKU 不同]
    ```
    
    | 段 | 内容 | 是否变 |
    | --- | --- | --- |
    | 规范段 | 背景、光位、机位、构图留白、投影、色调、输出风格、`no text, no watermark` | **整批逐字不变** |
    | 变量段 | 商品品类 + 颜色 + 材质 + 关键结构特征 | 每个 SKU 不同 |
    
    写成 shell:
    
    ```bash
    SPEC='放置在同一套统一视觉里:纯米白色摄影棚背景,柔和顶光加左侧补光,45 度视角,画面下方留出统一的商品投影,构图与留白在整组图中保持一致。真实商业产品摄影,无文字无水印。'
    
    while IFS=, read -r SKU IMG DESC; do
      dlazy seedream-5.0 \
        --prompt "电商商拍图。图1 是商品:${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}" \
        --images "$IMG" --size 1:1 --resolution 2k \
        --save "docs/batch-image/out/${SKU}.jpg"
    done < manifest.csv
    ```
    
    **规范段一旦改动就必须整批重跑**——否则同一批里会出现两种视觉。
    
    ---
    
    ## 4、并发、重试与进度
    
    **并发**:dlazy 是单次调用一个任务,批量靠 shell 并发。控制在 4~6 路,太高容易触发限流。
    
    ```bash
    run_one() { ... }               # 单个 SKU 的生成逻辑
    export -f run_one
    xargs -P 5 -I{} bash -c 'run_one {}' < sku-list.txt     # 5 路并发
    ```
    
    **重试**:网络与服务端偶发失败很正常,包一层重试。
    
    ```bash
    for attempt in 1 2 3; do
      dlazy ... && break
      echo "retry $attempt for $SKU" >&2; sleep $((attempt * 10))
    done
    ```
    
    **异步模式**:SKU 很多时用 `--no-wait` 先把任务全部提交,拿到 `generateId` 后再统一轮询,避免长时间占着进程。
    
    ```bash
    GID=$(dlazy seedream-5.0 --no-wait ... | python3 -c 'import sys,json;print(json.load(sys.stdin)["result"]["task"]["generateId"])')
    echo "$SKU,$GID" >> tasks.csv
    # 稍后统一收结果
    while IFS=, read -r SKU GID; do dlazy status "$GID" --wait; done < tasks.csv
    ```
    
    **进度与汇总**:每个 SKU 记一行状态,跑完输出报告。
    
    ```bash
    echo "$SKU,$(test -f out/$SKU.jpg && echo ok || echo fail)" >> report.csv
    awk -F, '{c[$2]++} END{for(k in c) print k, c[k]}' report.csv
    ```
    
    ---
    
    ## 5、工具调用
    
    本技能使用 dLazy 的 **`seedream-5.0`**(批量场景的关键指标是**单图成本**与**参考图支持**:本模型单张约 5 credits、支持最多 10 张参考图、支持 2K/3K/4K;100 个 SKU 的成本量级从数百降到数十。对商品保真要求极高的批次改用 `gpt-image-2`)。
    
    ### 调用方式
    
    两种等价写法,选一种。统一入口会自动选后端、失败重试、建目录落盘、估算成本:
    
    ```bash
    # A. 统一入口(推荐):可切任意后端,加 --dry-run 不计费空跑
    node scripts/gen.mjs --task batch-image \
      --prompt '<见下方 Prompt 模板>' \
      --images <按下表顺序> \
      --save output/batch-image-<sku>.jpg
    
    # B. 直接用 dLazy CLI(不想引入 Node 依赖时,效果等价)
    dlazy seedream-5.0 --prompt '...' --images ... --save output/batch-image.jpg
    ```
    
    **参数约定(本技能固定用法)**
    
    | 参数 | 取值 | 理由 |
    | --- | --- | --- |
    | `--images` | `[该 SKU 的商品图]`(+ 整批共用的参考图 / 模特图) | 共用素材放在固定位置,prompt 里用固定图号引用 |
    | `--size` | 整批统一(`1:1` 主图 / `3:4` 竖版) | 不统一就不是一套 |
    | `--resolution` | `2k` | 上架足够;4K 只给需要印刷的批次 |
    | `--batch` | `1`(批量场景靠 SKU 数量,不靠 batch) | batch 会让成本翻倍 |
    | `--no-wait` | SKU 很多时开启 | 先提交后轮询,避免长时间阻塞 |
    | `--save` | `docs/batch-image/out/<SKU>.jpg` | 用 SKU 命名,便于回填到商品库 |
    
    > **模型切换**:`seedream-5.0` 便宜、适合氛围与场景图;对商品保真要求极高(图案位置、五金细节)的批次换 `gpt-image-2`,成本约 6 倍。同一批内不要混用两个模型。
    
    ### Command Examples
    
    ```bash
    # basic call: 单个 SKU(先跑通这个,再谈批量)
    dlazy seedream-5.0 \
      --prompt '电商商拍图。图1 是商品:军绿色麻花针织圆领毛衣,落肩宽松版型。商品的颜色、材质纹理、款式细节必须与图1完全一致。放置在同一套统一视觉里:纯米白色摄影棚背景,柔和顶光加左侧补光,45 度视角,画面下方留出统一的商品投影。真实商业产品摄影,无文字无水印。' \
      --images docs/batch-image/sku-a-sweater.jpg --size 1:1 --resolution 2k
    
    # complex call: 完整流水线(清单驱动 + 5 路并发 + 3 次重试 + 汇总报告)
    cat > manifest.csv <<'CSV'
    SKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣,落肩宽松版型
    SKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋,厚底系带
    CSV
    
    SPEC='放置在同一套统一视觉里:纯米白色摄影棚背景,柔和顶光加左侧补光,45 度视角,画面下方留出统一的商品投影,构图与留白在整组图中保持一致。真实商业产品摄影,无文字无水印。'
    mkdir -p docs/batch-image/out
    
    run_one() {
      IFS=, read -r SKU IMG DESC <<< "$1"
      for attempt in 1 2 3; do
        dlazy seedream-5.0 \
          --prompt "电商商拍图。图1 是商品:${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}" \
          --images "$IMG" --size 1:1 --resolution 2k \
          --save "docs/batch-image/out/${SKU}.jpg" >/dev/null 2>&1 && break
        sleep $((attempt * 10))
      done
      if [ -f "docs/batch-image/out/${SKU}.jpg" ]; then echo "${SKU},ok"; else echo "${SKU},fail"; fi
    }
    export -f run_one; export SPEC
    
    xargs -P 5 -I{} bash -c 'run_one "{}"' < manifest.csv | tee docs/batch-image/report.csv
    awk -F, '{c[$2]++} END{printf "\n=== 汇总 ===\n"; for(k in c) printf "%s: %d\n", k, c[k]}' docs/batch-image/report.csv
    
    # 先估价:单价 × SKU 数
    dlazy seedream-5.0 --dry-run --prompt '...' --images a.jpg --size 1:1 | grep estimatedCost
    echo "SKU 数:$(wc -l < manifest.csv)"
    
    ```
    
    ### 延伸阅读
    
    | 要查什么 | 去哪 |
    | --- | --- |
    | 认证、多后端配置、输出结构、错误码 | [`references/provider-cli.md`](references/provider-cli.md) |
    | `seedream-5.0` 的全部可用参数 | [`references/model-flags.md`](references/model-flags.md) |
    | 统一入口的全部选项 | `node scripts/gen.mjs --help` |
    
    ## 6、Prompt 模板
    
    ```text
    【变量段 · 每个 SKU 不同】
    电商商拍图。图1 是商品:[品类 + 颜色 + 材质 + 关键结构特征]。
    商品的颜色、材质纹理、款式细节必须与图1完全一致。
    
    【规范段 · 整批逐字不变】
    放置在同一套统一视觉里:[背景],[光位],[机位/视角],
    画面下方留出统一的商品投影,构图与留白在整组图中保持一致。
    真实商业产品摄影,无文字无水印。
    ```
    
    **按问题追加的修正句**(改了就要整批重跑)
    
    | 问题 | 处理 |
    | --- | --- |
    | 深色商品在浅背景上发灰 | 规范段补 `深色商品需加右侧轮廓光勾边,避免与背景糊在一起` |
    | 不同 SKU 的商品大小忽大忽小 | 规范段补 `商品在画面中的占比统一为约 [X]%,边距一致` |
    | 投影方向不一致 | 规范段补 `投影统一朝画面右下方,长度约为商品高度的 [X]` |
    | 某些 SKU 保真度不够 | 那部分 SKU 单独用 `gpt-image-2` 重跑,并在报告里标注 |
    
    ---
    
    ## 7、执行流程
    
    1. **建清单**:`sku,image,desc` 三列 CSV,每张商品图先过单图规则校验。
    2. **写规范段**:背景 / 光位 / 机位 / 占比 / 投影 / 色调 / 输出风格——**定稿后不许改**。
    3. **跑通 1 个 SKU**:确认规范段和变量段都对。
    4. **抽样 5 个 SKU**:覆盖深色 / 浅色 / 反光 / 大件 / 小件的边界。
    5. **`--dry-run` 估总价**:单价 × SKU 数。
    6. **全量跑**:5 路并发 + 3 次重试;SKU 很多时用 `--no-wait` 提交后统一轮询。
    7. **看汇总报告**:失败的单独重跑。
    8. **抽样质检**:随机抽 10% 过 [detect-task](../detect-task/skill.md);不合格的 SKU 单独用 `gpt-image-2` 重跑。
    
    ---
    
    ## 8、常见问题
    
    | 现象 | 原因 | 处理 |
    | --- | --- | --- |
    | 同一批里视觉不统一 | 中途改了规范段 | 规范段定稿后不许改;改了就整批重跑 |
    | 深色商品糊进背景 | 缺轮廓光 | 规范段补轮廓光句,整批重跑 |
    | 商品占比忽大忽小 | 未约束占比 | 规范段补占比与边距句 |
    | 部分 SKU 保真度不够 | 低价模型的局限 | 那些 SKU 单独用 `gpt-image-2` 重跑 |
    | 跑到一半失败一堆 | 并发太高触发限流 | 并发降到 4~5,加重试与退避 |
    | 成本超预算 | 用了 `--batch` 或 4K | 批量场景 `--batch 1` + `2k` |
    | 跑完不知道哪些失败了 | 没有报告 | 用第四节的 report.csv + 汇总 |
    
    ---
    
    ## Tips
    
    Visit https://dlazy.com for more information.
    

Comments (0)

Sign in to join the conversation.

No comments yet.

Reviews (0)

No reviews yet.